[论文解读] Distance Map Loss Penalty Term for Semantic Segmentation

Francesco Calivá, Claudia Iriondo+3 more|arXiv (Cornell University)|Aug 10, 2019

Medical Imaging and Analysis参考文献 9被引用 25

一句话总结

本文提出一种基于距离图的损失惩罚项，以提升3D MRI中骨结构语义分割的性能，通过加权对象边缘附近的误差来提高边界精度。该方法显著提升了边界Dice分数（28.83% vs. Dice损失的26.73%），并保持了较高的全局Dice性能，在保留解剖形态方面优于聚焦损失及其他最先进损失方法。

ABSTRACT

Convolutional neural networks for semantic segmentation suffer from low performance at object boundaries. In medical imaging, accurate representation of tissue surfaces and volumes is important for tracking of disease biomarkers such as tissue morphology and shape features. In this work, we propose a novel distance map derived loss penalty term for semantic segmentation. We propose to use distance maps, derived from ground truth masks, to create a penalty term, guiding the network's focus towards hard-to-segment boundary regions. We investigate the effects of this penalizing factor against cross-entropy, Dice, and focal loss, among others, evaluating performance on a 3D MRI bone segmentation task from the publicly available Osteoarthritis Initiative dataset. We observe a significant improvement in the quality of segmentation, with better shape preservation at bone boundaries and areas affected by partial volume. We ultimately aim to use our loss penalty term to improve the extraction of shape biomarkers and derive metrics to quantitatively evaluate the preservation of shape.

研究动机与目标

• 为解决3D医学图像分割中对象边界处分割性能不佳的长期挑战。
• 提升MRI中组织表面与体积表征的准确性，尤其在骨关节炎生物标志物追踪中的应用。
• 开发一种损失函数，通过从真实标签中提取的距离图，显式惩罚解剖边界附近的误差。
• 在受部分体积效应影响的复杂边界区域的3D MRI数据集上评估该方法。
• 证明形态感知损失函数可实现更优的分割质量，并更好地保留形态学特征。

提出的方法

• 利用距离变换从真实标签分割掩码生成距离图，随后进行反转处理，使靠近边界的体素被赋予更高的权重。
• 分别对每块骨骼（股骨、胫骨、髌骨）计算内部距离图，以考虑其尺寸差异，再进行合并。
• 构建惩罚性多分类交叉熵损失函数：$\mathscr{L} = \frac{1}{N}\sum_{i=1}^{N}(1+\Phi)\odot\sum_{j=1}^{K}-y_j\log\hat{y}_j$，其中$\Phi$为距离图，$\odot$表示哈达玛积。
• 在$\Phi$上加1可防止反向传播过程中梯度消失。
• 将该方法集成至V-Net架构中，采用Adam优化器训练，并通过随机平面内旋转进行数据增强。
• 分割结果通过3D形态学闭运算后处理，并提取最大三个连通分量。

实验结果

研究问题

• RQ1 基于距离图的损失惩罚是否能提升3D MRI中对象边界处的分割精度？
• RQ2 所提出的损失与标准损失（如交叉熵、Dice损失、聚焦损失及置信预测惩罚损失）在边界检测中的表现相比如何？
• RQ3 该方法是否能有效保留解剖形态，并减少在部分体积效应区域的误差？
• RQ4 该损失惩罚是否可在具有显著结构尺寸差异的多类别3D场景中有效应用？
• RQ5 形态感知损失是否能提升形态生物标志物提取的相关指标？

主要发现

• 所提损失在边界Dice分数（B-DSC）上达到28.83% ± 4.45%，显著优于Dice损失（26.73% ± 5.40%）及其他基线方法。
• 全局Dice分数（G-DSC）为96.42% ± 0.80%，展现出强劲的整体分割性能，优于Dice损失（96.34% ± 1.21%）与聚焦损失（95.00% ± 1.00%）。
• 该方法在部分体积效应显著区域（如髁间窝与胫骨平台）表现出更优性能。
• 距离图惩罚有效引导网络关注难以分割的边界区域，降低边缘误差。
• 该方法对类别不平衡具有鲁棒性，可直接应用于高度不平衡的数据集。
• 与采用两阶段训练策略的先前方法不同，该方法无需微调即可保持高性能。